首页--工业技术论文--无线电电子学、电信技术论文--通信论文--电声技术和语音信号处理论文--语音信号处理论文--语音识别与设备论文

基于深度神经网络的声学特征学习及音素识别的研究

摘要第1-5页
Abstract第5-11页
第1章 引言第11-16页
   ·研究背景与意义第11-12页
     ·语音识别的研究意义第11页
     ·音素识别的研究意义第11-12页
   ·研究现状第12-14页
     ·音素识别研究发展史第12-13页
     ·特征学习在语音识别中应用的发展第13-14页
   ·本文的主要研究内容和贡献第14-16页
     ·研究内容及各章简介第14页
     ·本文主要贡献第14-16页
第2章 背景知识介绍第16-33页
   ·引言第16页
   ·自动语音识别系统第16-19页
     ·问题定义第16-17页
     ·HMM与语音识别第17-19页
   ·深度学习第19-30页
     ·神经网络定义第19-22页
     ·玻尔兹曼机与深度置信网第22-27页
       ·基于能量的模型第22-23页
       ·玻尔兹曼机第23-25页
       ·深度置信网第25-27页
     ·深度神经网络第27-29页
     ·训练技巧第29-30页
       ·随机梯度下降第29页
       ·冲量第29-30页
   ·深度学习应用于语音识别第30-32页
   ·特征学习的意义第32页
   ·本章小结第32-33页
第3章 基于TIMIT的音素识别实验平台构建第33-39页
   ·引言第33页
   ·TIMIT语料库介绍第33-34页
   ·HMM-GMM模型音素识别器的训练第34-36页
   ·HMM-DNN模型音素识别系统第36-38页
   ·GMM与DNN识别效果对比第38页
   ·本章小结第38-39页
第4章 串联深度神经网络模型进行声学建模的研究第39-47页
   ·引言第39页
   ·串联系统第39-41页
     ·串联系统的系统流程第40-41页
     ·串联系统方法的影响第41页
   ·串联深度神经网络模型第41-43页
   ·实验配置第43页
   ·实验结果第43-46页
   ·本章小结第46-47页
第5章 鲁棒性语音识别中的高斯玻尔兹曼机特征学习第47-58页
   ·引言第47页
   ·受限玻尔兹曼机第47-51页
     ·受限玻尔兹曼机的训练算法第48-51页
     ·高斯-伯努利受限玻尔兹曼机第51页
   ·多变量高斯玻尔兹曼机第51-53页
   ·鲁棒性语音识别的特征学习第53-54页
   ·实验配置第54-55页
     ·RBM的训练第55页
     ·DNN的训练第55页
   ·实验结果第55-56页
   ·本章小结第56-58页
第6章 对照自编码器进行特征学习的研究第58-68页
   ·引言第58-59页
   ·自编码器第59-60页
   ·对照自编码器第60-64页
     ·对照自编码器模型描述第60页
     ·对照自编码器的损失函数第60-61页
     ·对照自编码器的训练算法第61-64页
       ·预训练(pre-training)第62页
       ·对照精细调节(fine-tuning)第62-63页
       ·与Chen的模型的对比第63-64页
   ·实验配置第64-65页
   ·实验与结果第65-66页
   ·本章小结第66-68页
第7章 使用神经网络进行动态特征学习第68-77页
   ·引言第68页
   ·传统语音信号差分的使用第68-69页
   ·基于神经网络的差分特征第69-72页
     ·方法描述第69-70页
     ·可选架构第70-72页
   ·实验配置第72-73页
   ·实验结果第73-76页
     ·新差分特征的学习第73-74页
     ·新差分与传统差分的比较第74-75页
     ·音素识别第75-76页
   ·本章小结第76-77页
第8章 总结与展望第77-80页
   ·本文工作总结第77页
   ·语音识别未来研究展望第77-80页
参考文献第80-85页
致谢第85-87页
个人简历、在学期间发表的学术论文与研究成果第87页

论文共87页,点击 下载论文
上一篇:基于车联网的汽车行驶经济车速控制方法
下一篇:智能手机脉搏波信号实时检测与分析